Dans le complément XGBoost ( https://community.jmp.com/t5/JMP-Add-Ins/XGBoost-Add-In-for-JMP-Pro/ta-p/319383), il existe une option très intéressante où en utilisant DoE, une recherche d'hyperparamètres peut être lancée, pour identifier la meilleure combinaison d'hyperparamètres pour maximiser une fonction objectif donnée.
Cette option est extrêmement utile et constitue une approche standard lors de la formation de modèles en R ou Python.
Je pense qu'il serait extrêmement utile de mettre en œuvre la même option pour d'autres plates-formes de modélisation prédictive, telles que Neural, Boosted Tree, Boostrap Forest et Support Vector Machine. Dans chaque cas, une matrice expérimentale pourrait être mise en place pour définir les plages de recherche pour les hyperparamètres sélectionnés.
Le complément XGBoost accomplit cela très bien, donc vous avez déjà compris les mécanismes, c'est le bon moment pour le rendre disponible pour d'autres modèles !
@dmmdiego Merci pour votre suggestion! Nous avons pris en compte votre demande et la prendrons en considération.
